1/16

Ministrio da Educao
Universidade Tecnolgica Federal do Paran/Campus Curitiba
Departamento Acadmico de Matemtica
Probabilidade e Estatstica Prof: Silvana Heidemann Rocha
Aluno(a): ___________________________________ Data: ___/___/____

PRINCIPAIS MODELOS PROBABILSTICOS DISCRETOS - Aula 10

Principais modelos de distribuio de probabilidades de variveis aleatrias discretas:

Distribuio Uniforme Discreta

Distribuio de Bernoulli

Distribuio Binomial

Distribuio Hipergeomtrica

Distribuio Geomtrica

Distribuio de Pascal (ou binomial negativa)

Distribuio de Poisson

Relao entre os modelos:

Binomial e Poisson

Binomial e hipergeomtrico;

2/16
1) Distribuio Uniforme Discreta:
Definio: Uma varivel aleatria X segue o modelo uniforme discreto, denotada por X ~ Ud(M), onde M o

conjunto de valores equiprovveis x1 , x 2 ,..., x n que X assume, se tem funo de probabilidade dada por
P( X = xi ) =

1
,
n

i = 1, 2, ..., n.

Esperana matemtica e varincia:

1 n
1 n
V(X) = xi2 xi
n i =1
n i =1

1 n
E(X) = xi
n i =1

Exemplo1:

: Lanar um dado no viciado e observar o nmero de pontos da face superior. Seja a varivel aleatria

X definida como o nmero pontos da face superior do dado, isto , X ~ Ud(1, 6), . Obtenha:
a) Afuno de probabilidade de X e seu grfico;
b) A funo distribuio de X e seu grfico;
c) A esperana e a varincia de X. Interprete essas medidas.
d) Por que X uma varivel aleatria?
e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.

Exemplo2:
(Cf. MAGALHES et LIMA, p. 69)

Uma rifa tem 100 bilhetes numerados de 1 a 100. Tenho 5

bilhetes consecutivos numerados de 21 a 25 e meu colega tem outros 5 bilhetes com os nmeros 1, 11, 29,
68 e 93. Quem tem maior possibilidade de ser sorteado? Justifique.
a) Defina a varivel aleatria X em questo e o modelo de distribuio de probabilidades mais
adequado para descrever seu comportamento probabilstico.
b) Determine a funo de probabilidade de X e seu respectivo grfico.
c) Determine a funo de distribuio de X e seu respectivo grfico.
d) Determine a esperana matemtica e a varincia de X. Interprete essas medidas.

3/16

2) Distribuio de Bernoulli
Definio: Uma varivel aleatria X segue o modelo de Bernoulli com parmetro p, denotada por X ~ Be(p), se
tem funo de probabilidade dada por

P ( X = x) = p x .(1 p )1 x , x = 0, 1, com 0 < p < 1

Esperana matemtica e varincia:

E(X) = p

V(X) = p(1-p)

Observao:

Na distribuio de Bernoulli, considera-se uma nica tentativa (ensaio) de um experimento

aleatrio, sendo p a probabilidade de sucesso e 1-p a probabilidade de fracasso nessa tentativa.
usual denotar 1- p = q. Sucesso significa ocorrncia do evento em controle e fracasso significa
no ocorrncia. No h sentido de mrito na ocorrncia ou no do evento considerado.

Ensaio de Bernoulli o experimento que tem resposta dicotmica do tipo sucesso-fracasso.

No modelo de Bernoulli, a varivel aleatria X em geral o nmero de sucessos em uma nica tentativa

do experimento.

Exemplo1:
Uma urna contm apenas 4 bolas vermelhas e 6 brancas. Uma bola extrada, observada sua cor e reposta
na urna. Numa nica extrao somente dois resultados podem ocorrer: bola vermelha ou bola branca.
a) Defina uma varivel aleatria X neste experimento e

indique o modelo de distribuio de

probabilidades mais adequado para descrever seu comportamento probabilstico.

b) Determine a funo de probabilidade de X e seu respectivo grfico.
c) Determine a funo de distribuio de X e seu respectivo grfico.
d) Determine a esperana matemtica e a varincia de X. Interprete essas medidas.
e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.

4/16

3) Distribuio binomial
Definio: Seja a varivel aleatria X que conta o nmero total de sucessos obtidos numa seqncia de n
ensaios independentes de Bernoulli. A varivel X segue uma distribuio binomial com parmetros n e p,
denotada por X ~ b(n, p), e tem funo de probabilidade dada por

n
P( X = x) = . p x .( 1 p) n x , x = 0, 1, 2, ..., n, com 0 < p < 1
x
onde:
n o n de repeties do experimento;
x o n desejado de sucessos;
n - x o n esperado de fracassos;
p a probabilidade de sucesso num ensaio individual;
1 p a probabilidade de fracasso num ensaio individual;

n
= C n, x = Pn x , n x o n de combinaes de n elementos, tomados x a x.
x

Esperana matemtica e varincia:

E(X) = np

V(X) = np(1-p)

Observaes:

Ensaios independentes de Bernoulli significa uma seqncia de repeties do experimento na qual

o resultado ocorrido num ensaio no depende dos resultados ocorridos nos ensaios anteriores e
nem nos posteriores e, em cada ensaio, podem ocorrer apenas dois resultados: sucesso com
probabilidade p e fracasso com probabilidade 1 p.

Como as probabilidades p de sucesso se mantm constantes em cada ensaio, a distribuio

binomial indicada para os casos em que a amostragem feita com reposio.

n
A denominao binomial devida aos coeficientes serem os coeficientes do desenvolvimento
x
binomial das potncias de (a + b)n.

5/16

Exemplo1: A probabilidade de um produto fabricado no atender as especificaes de projeto igual a

5% (produto no-conforme). So selecionadas ao acaso 8 unidades deste produto. Qual a probabilidade
de no mnimo 3 serem conforme as especificaes?
a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
b) Determine a funo de probabilidade de X e seu respectivo grfico.
c) Determine a funo de distribuio de X e seu respectivo grfico.
d) Determine a esperana matemtica e a varincia de X. Interprete essas medidas.
e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.

Exemplo2: Uma companhia de avio chegou concluso de que 5% das pessoas que fazem reserva num
dado vo no comparecem ao embarque. Consequentemente, adotou a poltica de vender 70 lugares para
um aparelho de 68 assentos. Qual a probabilidade de que no haja excesso de lotao?

6/16

4) Distribuio hipergeomtrica:
Definio: Numa amostra de tamanho n retirada ao acaso e sem reposio de um conjunto contendo N
elementos, dos quais exatamente K elementos tm a caracterstica A em estudo, seja X a varivel aleatria
que conta o nmero de elementos com a caracterstica A nessa amostra. A varivel X segue o modelo
hipergeomtrico com parmetros N, K, n, denotada por X ~ H(N,K,n), e tem funo de probabilidade
dada por

P( X = x) =
N
n

A
A

C K , x .C ( N K ),( n x )
CN, n

com:
N = 1, 2, 3,...
K = 0, 1, 2, ..., N ,
n =1, 2, ..., N-1
x = mx{0, n+K-N}, ..., min(K,n) e x K

n-x

N-K

Esperana matemtica e varincia:

E(X) = n.

K
N

Var(X) = n.

K
K N n
(1 ).
N
N N 1

Observaes:

O modelo hipergeomtrico utilizado para estimar o tamanho da populao de animais de uma

certa espcie em uma regio, num procedimento denominado captura e recaptura.

Na distribuio hipergeomtrica, ao contrrio da binomial, a probabilidade de sucesso no se

mantm constante em todas as provas do experimento, uma vez que os eventos so dependentes
entre si. Dessa forma, a binomial corresponde ao esquema de extraes com reposio, enquanto
que, na hipergeomtrica, o esquema de extraes sem reposio.

O fator

N n
presente na frmula da varincia denominado fator de correo para populao
N 1

finita.

A amostragem com reposio, como o caso do modelo binomial, equivalente amostragem

proveniente de uma populao infinita porque a proporo de sucesso permanece constante em

cada ensaio do experimento. Na amostragem sem reposio, como o caso do modelo
hipergeomtrico, o fator de correo para populao finita (

N n
) representa a correo para a
N 1

varincia do modelo binomial, visto que no modelo hipergeomtrico a populao finita. No

7/16
modelo hipergeomtrico, se n for pequeno relativo a N, de modo que

N n
1 , ento a
N 1

distribuio hipergeomtrica pode ser aproximada pela binomial, com ganhos algbricos (clculos
mais fceis), isto , mesmo que a amostragem seja feita sem reposio, pode-se considerar para
fins de clculo uma amostragem com reposio, onde p =
p. 67). Mais

K
(Cf. MONTEGOMERY et RUNGER, 2008,
N

adiante h uma seo sobre a relao entre os modelos binomial e hipergeomtrico.

Exemplo1: Num lote de 40 peas h trs que so defeituosas. Qual a probabilidade de, em cinco peas
extradas, se encontrar pelo menos uma pea defeituosa?
a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
b) Determine a esperana matemtica e a varincia de X. Interprete essas medidas.
c) Responda a questo do enunciado.
d) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.
e) Neste caso, poderamos ter utilizado uma aproximao pelo modelo binomial, considerando
constante a probabilidade de um sucesso individual como p =

3
? Justifique.
40

f) Responda os itens b, c, d considerando um modelo binomial de parmetro p =

3
e compare com
40

os resultados obtidos por meio da distribuio hipergeomtrica.

Exemplo2: Deve-se constituir um comit de quatro pessoas escolhidas entre trs qumicos e cinco fsicos.
Determinar a distribuio de probabilidade do nmero de qumicos no comit. Faa o grfico da funo de
probabilidade de X e o da funo distribuio de X.

8/16

5) Distribuio geomtrica:
Definio: Seja a varivel aleatria X que conta o nmero de tentativas at o aparecimento do primeiro
sucesso numa seqncia de ensaios independentes de Bernoulli. A varivel X com parmetro p, denotada
por X~G(p), tem funo de probabilidade dada por
P ( X = x) = p.(1 p ) x 1 , x = 1, 2, 3,... e 0 < p < 1,
onde:
x = n de tentativas at o aparecimento do primeiro sucesso;
p = probabilidade de sucesso no ensaio individual;
1 p a probabilidade de fracasso no ensaio individual.

Esperana matemtica e varincia:

1
p

E(X) =

V(X) =

1 p
p

q
, onde q = 1-p
p2

Observaes:

O nome deste modelo decorre do uso da progresso geomtrica (P.G.) para demonstrar que

p( x ) = 1 .
i

i =1

No modelo geomtrico, alguns autores definem a varivel aleatria X como o nmero de fracassos
anteriores ao primeiro sucesso (ou tempo de espera, em termos de ensaios anteriores, para obter o
primeiro sucesso). Nesse caso, a funo de probabilidade de X dada por
P ( X = x) = p.(1 p ) x , x = 0, 1, 2, 3,... , 0 < p< 1.

O modelo geomtrico o nico modelo discreto com a propriedade da falta de memria (MAGALHES,
M.N., 2006, p. 85). Essa propriedade definida como P ( X j + k / X j ) = P ( X k ) , com j e k
inteiros positivos. Isso significa que foram obtidos j fracassos e o primeiro sucesso ainda no ocorreu. Qual
a probabilidade de se ter mais k fracassos at obter o primeiro sucesso? Essa probabilidade,

P ( X j + k / X j ) , a mesma que se obtivssemos k fracassos a partir de um ensaio inicial, isto

P ( X k ) . Conforme DANTAS (2008, p. 145):
[...] Considere um objeto cujo tempo de vida uma varivel aleatria X com distribuio geomtrica
com parmetro p. Suponha que esse tempo de vida medido em unidades discretas, isto , ao final de
cada unidade de tempo verifica-se se o objeto est funcionando ou se deixou de funcionar. A
expresso P ( X

j + k / X j ) = P ( X k ) mostra que, se o objeto funcionou at o instante j,

ento a probabilidade de que ele funcione por mais k unidades de tempo a mesma que a
probabilidade de que um objeto novo funcione por k unidades de tempo.

9/16

Exemplo1: Entre os candidatos a um certo cargo, 15% possuem as qualificaes exigidas pela
empresa contratante. Qual a probabilidade de se ter que entrevistar dez candidatos para encontrar um com
perfil desejado?
a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
b) Determine a funo de probabilidade de X e seu respectivo grfico.
c) Determine a funo de distribuio de X e seu respectivo grfico.
d) Determine a esperana matemtica e a varincia de X. Interprete essas medidas.
e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.

Exemplo2: Entre os candidatos a um certo cargo, 15% possuem as qualificaes exigidas pela empresa
contratante. Num grupo de 15 candidatos, qual a probabilidade de se ter que entrevistar dez candidatos
para encontrar um com perfil desejado?
a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
b) Determine a funo de probabilidade de X e seu respectivo grfico.
c) Determine a funo de distribuio de X e seu respectivo grfico.
d) Determine a esperana matemtica e a varincia de X. Interprete essas medidas.

Exemplo3: (MAGALHES, M. N., 2006, p. 84) Uma linha de fabricao de um equipamento de preciso
interrompida na primeira ocorrncia de um defeito. A partir da manuteno, o equipamento tem
probabilidade de 0,01 de apresentar defeito em um dia qualquer. Deseja-se planejar o cronograma de
manuteno preventiva e, para tal, decidiu-se avaliar probabilisticamente a espera at a produo ser
interrompida. Seja X a varivel aleatria que conta o nmero de dias que antecedem a interrupo. Qual
seria o intervalo ideal para uma manuteno preventiva, se desejamos uma probabilidade de, pelo menos
0,90 de que o defeito no ocorrer?

Exemplo4: Demonstre que P ( X m + n / X m) = P ( X n) , a partir da definio de probabilidade

condicional e da funo de probabilidade P ( X = x ) = p.(1 p ) x , x = 0, 1, 2, 3,... , 0 < p< 1. (Se preciso, consulte
DANTAS, C. A. B., 2008, p. 145).

10/16

6) Distribuio de Pascal (ou binomial negativa)

Definio: Seja a varivel aleatria X que conta o nmero de tentativas at o aparecimento do k-simo
sucesso numa seqncia de ensaios independentes de Bernoulli. A varivel X com parmetros k e p,
denotada por X~Pa(k,p) (ou X~BN(k, p) ), tem funo de probabilidade dada por

x 1 k
. p .(1 p ) x k ,
P ( X = x) =

k
1

x = k, k+1, k+2, ... , 0 < p < 1 e k N * ,

onde:
k o n de sucessos desejado,
x o n de ensaios para ocorra o k-smo sucesso,
p a probabilidade de sucesso no ensaio individual,
1 p a probabilidade de fracasso no ensaio individual.

x 1

= C ( x 1),( k 1) = Px(k11),

1
k

( x k )

Esperana matemtica e varincia:

E(X) = k .

1
p

V(X) = k .

1 p
q
= k . 2 , onde q = 1-p
2
p
p

Observao:

A distribuio de Pascal uma generalizao do modelo geomtrico.

Se so necessrias x provas para que ocorra o k-simo sucesso, ento o resultado da x-sima prova
deve ser necessariamente um sucesso.

Alguns autores definem a varivel aleatria X como o nmero de fracassos anteriores ao k-smo
sucesso.

Neste

caso,

funo

de

probabilidade

de

dada

P( X = x) = C ( x + k 1),( k 1) . p k .(1 p) x , x = 0, 1, 2, ...

Sobre o nome do modelo binomial negativa, ver MAGALHES, M. N., 2006, p. 86.

por

11/16

Exemplo1: Dada uma mquina que produz 20% de peas defeituosas, qual a probabilidade de ter que se
fabricar 8 peas para se conseguir 5 boas?
a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
b) Determine a funo de probabilidade de X e seu respectivo grfico.
c) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.

Exemplo2: A probabilidade no conforme de um produto igual a 5%. Pede-se:

a) Qual a probabilidade de que um lote com dez unidades contenha trs no conformes?
b) Qual a probabilidade de que se tenha de inspecionar oito unidades para se encontrar duas no
conformes?

Exemplo3: Uma companhia recebeu uma encomenda para fundir 3 peas complicadas. A probabilidade de
se conseguir um molde adequado 0,4, sendo o molde destrudo quando da retirada da pea. O custo de
cada molde de R$ 500,00 e se o molde no for adequado, a pea refugada, perdendo-se R$ 700,00 de
material.
a) Qual a probabilidade de se fundir no mximo 6 peas para atender a encomenda?
b) Qual o preo a ser cobrado pelo servio para se ter um lucro esperado de R$ 1000,00 na encomenda?

12/16

7) Distribuio de Poisson:
Definio: Uma varivel aleatria X segue o modelo de Poisson de parmetro , denotada por X ~ P( ),
se sua funo de probabilidade for dada por
P( X = x) =

. x e
x!

, x = 0, 1, 2, 3 ... , > 0 ,

onde:

a taxa mdia de ocorrncias dos eventos por unidade de medida;

e = 2,71828 (constante de Euler)

x = nmero de vezes em que ocorre o evento.

Esperana matemtica e varincia:

E(X) =

V(X) =

Observaes:

Historicamente, o modelo de Poisson foi deduzido como uma aproximao da distribuio

binomial com parmetros n e p, quando n grande (n ) e p pequeno (p 0 ) ocasionava
uma mdia np constante. Atualmente, o modelo de Poisson tem significado prprio descrevendo as
probabilidades de certo nmero de ocorrncias (varivel aleatria discreta) num dado intervalo,
espao ou campo contnuo (tempo, comprimento, rea, volume, peso, por exemplo).

O processo de Poisson: Diz-se que existe um processo de Poisson se pudermos observar eventos
discretos num intervalo contnuo (de tempo, de comprimento, de rea, por exemplo) de maneira tal
que se subdividirmos o intervalo em comprimentos suficientemente pequenos disjuntos:
i) A probabilidade de se observar mais de um sucesso em um subintervalo zero;
ii) A ocorrncia de um sucesso em qualquer subintervalo independente da ocorrncia em
qualquer outro subintervalo disjunto;
iii) A probabilidade de um sucesso em um subintervalo seja a mesma (constante) para todos os
subintervalos e proporcional ao comprimento do subintervalo (isto , o nmero mdio de
ocorrncias por unidade de comprimento do intervalo constante ao longo do intervalo).
Historicamente, o termo processo foi usado para sugerir a observao de um sistema ao longo do
tempo.
O item iii) significa que, por exemplo, se o nmero mdio de falhas por milmetro de um fio de
cobre for 3,4, ento o nmero mdio de falhas em 10 mm deste fio ser 34 e o nmero mdio de
falhas em 100 mm ser 340. (Cf. FARIAS et alli, 2003, p. 90; MONTGOMERY et RUNGER, 2008, p. 69;
LEVINE et alli, 2000, P. 202)

13/16

Exemplo de um processo de Poisson (LEVINE et alli, 1998, p. 202):

Suponha que examinemos o nmero de clientes que chegam durante a hora de almoo, entre 12:00
horas e 13:00horas, a um banco localizado no centro de negcios de uma grande cidade. Qualquer
chegada de um cliente um evento discreto em um determinado ponto ao longo do espao contnuo de 1
hora. Ao longo desse espao de tempo, pode haver uma mdia de 180 chegadas. Se tivssemos agora que
abrir o espao de 1 hora em 3600 intervalos consecutivos de um segundo,
i)

o nmero esperado (ou a mdia) de clientes chegando em qualquer intervalo de 1 segundo seria
igual a 0,05.

ii)

A probabilidade de haver mais de um cliente chegando em qualquer intervalo de 1 segundo se

aproxima de 0; (verifique!)

iii)

A chegada de um cliente em qualquer intervalo de 1 segundo no tem efeito (quer dizer,

estatisticamente independente) na chegada de qualquer outro cliente em qualquer outro
intervalo de 1 segundo.

Exemplo de modelagem de um processo de Poisson ((Para provar que determinada varivel aleatria tem
distribuio de Poisson, veja BARRY, JAMES, 2006, p. 21 a 26):

Num caixa de uma loja, chega em mdia 1 cliente por hora e a atendente tem capacidade de
atender 10 pessoas por hora. Qual a probabilidade de formar fila nessa loja? Qual o tamanho mdio da
fila?

Exemplo2: Nos sinais de um transmissor ocorrem distores aleatrias a uma taxa mdia de 1 por minuto.
Qual a probabilidade de o nmero de distores em uma mensagem de 3 minutos ser 3 ou mais?
a) Defina uma varivel aleatria X neste experimento e indique o modelo de distribuio de
probabilidades mais adequado para descrever seu comportamento probabilstico.
b) Determine a funo de probabilidade de X e seu respectivo grfico.
c) Determine a funo distribuio de X e seu respectivo grfico.
d) Determine a esperana e a varincia de X. Interprete essas medidas.
e) Qual a probabilidade de observarmos um valor entre a mdia e dois desvios padres? Compare
esse resultado com o obtido atravs da desigualdade de Tchebychev.

14/16

Exemplo3: O fio de uma mquina txtil rompe-se em mdia 1 vez a cada 4 horas de funcionamento
dessa mquina. Calcule a probabilidade de:
a) numa hora o fio se romper menos de 2 vezes;
b) em 8 horas de funcionamento o fio se romper menos de 2 vezes.

Exemplo4: Um certo artigo consome 750 m de fio. Em mdia, o fio rompe 2 vezes a cada 1000m. O lucro
e a qualidade dos artigos esto relacionados da seguinte maneira:
Qualidade

N de emendas

Lucro/artigo

Nenhuma

R$ 5,00

Uma ou duas

R$ 2,00

Mais de duas

R$ 1,00

Se forem vendidos 2000 destes artigos, qual o lucro esperado na venda?

Exemplo5: Ao decolar de um porta-avies, determinado tipo de avio tem probabilidade p = 0,0002 de

se perder por queda no mar. Qual a probabilidade de 2 ou mais acidentes desta natureza, em 500
decolagens?

15/16

8) Relao entre os modelos binomial e de Poisson:

Seja a varivel aleatria X ~ b(n, p) com funo de probabilidade dada por

n
P( X = x) = . p x .( 1 p) n x , x = 0, 1, 2, ..., n, com 0 < p < 1 .
x
Se n grande (n ) e p pequeno (p 0 ) de modo que a mdia np seja constante, possvel

n x
x e
nx
P( X = x) = lim . p .( 1 p) =
, com = np .
mostrar que lim
n
n x
x!

9) Relao entre os modelos hipergeomtrico e binomial:

Seja a varivel aleatria X ~ H(N,K,n) com funo de probabilidade dada por
P( X = x) =

C K , x .C ( N K ),( n x )
CN, n

com:
N = 1, 2, 3,...
K = 0, 1, 2, ..., N ,
n =1, 2, ..., N
x = mx{0, n+K-N}, ..., min(K,n) e x

K,

onde N o tamanho de uma populao que contm K elementos com uma caracterstica A em estudo, n
o tamanho da amostra retirada ao acaso e sem reposio desta populao e X a varivel aleatria que
conta o nmero de elementos com a caracterstica A nessa amostra.
K
a proporo de elementos com a caracterstica A na populao. Se N for bem maior
N
que n, isto , se o tamanho da populao for bem maior que o da amostra, possvel mostrar que
Seja p =

k N K

.
x
n

n x
lim P( X = x) = lim
= p (1 p) n x , com p = K ,
n
n
N
x
N

n
isto , a distribuio hipergeomtrica pode ser aproximada pela binomial. Isso significa que quando o
tamanho da populao bem maior que o da amostra, a amostragem sem reposio produz resultado
prximo ao da amostragem com reposio.

16/16

EXERCCIOS:
Fazer os exerccios das pginas 67, 68, 76, 77, 83 a 92, 120 a 124, ex 4 e 6 da p. 102, ex 4, 5 e 6 da p.
114 do livro MAGALHES, M.N.; LIMA, A.C. P. Noes de probabilidade e estatstica. 6 ed. So
Paulo: EDUSP, 2008.

REFERNCIAS
DANTAS, Carlos A. B. Probabilidade: um curso introdutrio. 3 ed. So Paulo: EDUSP, 2008.
FARIAS, A. A.; SOARES, Jos F.; CSAR, Cibele C. Introduo estatstica. 2 ed. Rio de Janeiro: LTC, 2003.
JAMES, BARRY R. Probabilidade: um curso em nvel intermedirio, 2 ed., Rio de Janeiro: IMPA, 2006.
LEVINE, David. M.; BERENSON, Mark L.; STEPHAN, David. Estatstica: teoria e aplicaes usando MICROSOFT EXCEL
em portugus. Rio de Janeiro: LTC, 2000.
MAGALHES, Marcos Nascimento. Probabilidade e variveis aleatrias. 2 ed. So Paulo: EDUSP, 2006.
MAGALHES, M.N.; LIMA, A.C. P. Noes de probabilidade e estatstica. 6 ed. So Paulo: EDUSP, 2008.
MONTGOMERY, D. C.; RUNGER, George C. Estatstica aplicada e probabilidade para engenheiros. 2 ed. Rio de Janeiro:
LTC, 2008.